!pip install arabic-reshaper
!pip install python-bidi
!pip install matplotlib
!pip install python-bidi
!pip install pandas folium pyproj matplotlib
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import arabic_reshaper
from bidi.algorithm import get_display
import folium
from folium.plugins import MarkerCluster, HeatMap
from pyproj import Transformer
import matplotlib.cm as cm
import matplotlib.colors as mcolors
import matplotlib

Requirement already satisfied: arabic-reshaper in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (3.0.0)
Requirement already satisfied: python-bidi in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (0.6.6)
Requirement already satisfied: matplotlib in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (3.10.3)
Requirement already satisfied: contourpy>=1.0.1 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from matplotlib) (1.3.2)
Requirement already satisfied: cycler>=0.10 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from matplotlib) (0.12.1)
Requirement already satisfied: fonttools>=4.22.0 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from matplotlib) (4.58.1)
Requirement already satisfied: kiwisolver>=1.3.1 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from matplotlib) (1.4.8)
Requirement already satisfied: numpy>=1.23 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from matplotlib) (1.26.4)
Requirement already satisfied: packaging>=20.0 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from matplotlib) (25.0)
Requirement already satisfied: pillow>=8 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from matplotlib) (11.2.1)
Requirement already satisfied: pyparsing>=2.3.1 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from matplotlib) (3.2.3)
Requirement already satisfied: python-dateutil>=2.7 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from matplotlib) (2.9.0.post0)
Requirement already satisfied: six>=1.5 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from python-dateutil>=2.7->matplotlib) (1.17.0)
Requirement already satisfied: python-bidi in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (0.6.6)
Requirement already satisfied: pandas in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (2.3.0)
Requirement already satisfied: folium in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (0.19.7)
Requirement already satisfied: pyproj in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (3.7.1)
Requirement already satisfied: matplotlib in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (3.10.3)
Requirement already satisfied: numpy>=1.23.2 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from pandas) (1.26.4)
Requirement already satisfied: python-dateutil>=2.8.2 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from pandas) (2.9.0.post0)
Requirement already satisfied: pytz>=2020.1 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from pandas) (2025.2)
Requirement already satisfied: tzdata>=2022.7 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from pandas) (2025.2)
Requirement already satisfied: branca>=0.6.0 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from folium) (0.8.1)
Requirement already satisfied: jinja2>=2.9 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from folium) (3.1.6)
Requirement already satisfied: requests in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from folium) (2.32.3)
Requirement already satisfied: xyzservices in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from folium) (2025.4.0)
Requirement already satisfied: certifi in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from pyproj) (2025.4.26)
Requirement already satisfied: contourpy>=1.0.1 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from matplotlib) (1.3.2)
Requirement already satisfied: cycler>=0.10 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from matplotlib) (0.12.1)
Requirement already satisfied: fonttools>=4.22.0 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from matplotlib) (4.58.1)
Requirement already satisfied: kiwisolver>=1.3.1 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from matplotlib) (1.4.8)
Requirement already satisfied: packaging>=20.0 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from matplotlib) (25.0)
Requirement already satisfied: pillow>=8 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from matplotlib) (11.2.1)
Requirement already satisfied: pyparsing>=2.3.1 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from matplotlib) (3.2.3)
Requirement already satisfied: MarkupSafe>=2.0 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from jinja2>=2.9->folium) (3.0.2)
Requirement already satisfied: six>=1.5 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from python-dateutil>=2.8.2->pandas) (1.17.0)
Requirement already satisfied: charset-normalizer<4,>=2 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from requests->folium) (3.4.2)
Requirement already satisfied: idna<4,>=2.5 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from requests->folium) (3.10)
Requirement already satisfied: urllib3<3,>=1.21.1 in c:\users\lihin\appdata\local\programs\python\python311\lib\site-packages (from requests->folium) (2.4.0)

# בקוד זה יש המרה של הערכים הנמצאים בטבלה הראשית בטבלת ההמרה הנמצאת בקובץ קודבוק ולאחר מכן נוכל לעבוד עם 
# accdata לכל אורך הפרויקט


url_list = [
    r'https://raw.githubusercontent.com/MaorWN/FirstL/main/H20211163AccData.csv',
    r'https://raw.githubusercontent.com/MaorWN/FirstL/main/H20221162AccData.csv',
    r'https://raw.githubusercontent.com/MaorWN/FirstL/main/H20231161AccData.csv'
]

# שליפת נתוני הקבצים למקור אחד
accdata = pd.concat([pd.read_csv(url, encoding='cp1255') for url in url_list], ignore_index=True)
VehData=pd.read_csv("https://raw.githubusercontent.com/MaorWN/FirstL/main/RehevData.csv", encoding="cp1255")


#הנתונים מחולקים דרך הלמס למספר טבלאות, הטבלאות שצירפנו הן טבלת פרטי התאונה וטבלת סוגי כלי הרכב שהיו מעורבים, 
#היה צורך לאחד ביניהם כאשר העמודה הראשונה היא עמודת המפתח

# חיבור בין הטבלאות על פי העמודה הראשונה (ID) רק אם יש התאמה (inner join)
accdata = pd.merge(accdata, VehData, on=accdata.columns[0], how='inner')

codebook = pd.read_csv("https://raw.githubusercontent.com/MaorWN/FirstL/main/Codebook.csv", encoding="cp1255")

def reshape_hebrew(text):
    reshaped = arabic_reshaper.reshape(str(text))
    return get_display(reshaped)
    
# ניקוי רווחים משמות העמודות
codebook.columns = codebook.columns.str.strip()
accdata['SHAA_CLEAN'] = (accdata['SHAA'] - 1)//4 #תיקון ערך השעה 
accdata = accdata[~accdata['YEHIDA'].isin([53, 'מרחב שמשון (החל ב-2004)'])] #ניקוי ערכים בעייתיים
# טיפול בעמודות מתוך הקודבוק
for col_name in codebook['שם משתנה'].dropna().unique():
    if col_name in accdata.columns:
        relevant_rows = codebook[codebook['שם משתנה'] == col_name]
        mapping_df = relevant_rows.drop_duplicates(subset='קוד')
        mapping = dict(zip(mapping_df['קוד'], mapping_df['מאפיינים']))       
        # החלפת הערכים בטבלה הראשית
        accdata[col_name] = accdata[col_name].map(mapping).fillna(accdata[col_name])


accdata.info()

<class 'pandas.core.frame.DataFrame'>
Index: 129454 entries, 0 to 129485
Data columns (total 63 columns):
 #   Column               Non-Null Count   Dtype  
---  ------               --------------   -----  
 0   pk_teuna_fikt        129454 non-null  int64  
 1   sug_tik              129454 non-null  object 
 2   THUM_GEOGRAFI        129454 non-null  object 
 3   SUG_DEREH            129454 non-null  object 
 4   SEMEL_YISHUV         129454 non-null  float64
 5   REHOV1               64500 non-null   float64
 6   REHOV2               7903 non-null    float64
 7   BAYIT                86209 non-null   float64
 8   ZOMET_IRONI          7901 non-null    float64
 9   KVISH1               35080 non-null   float64
 10  KVISH2               34520 non-null   float64
 11  KM                   33692 non-null   float64
 12  ZOMET_LO_IRONI       10806 non-null   float64
 13  YEHIDA               129454 non-null  object 
 14  SHNAT_TEUNA_x        129454 non-null  int64  
 15  HODESH_TEUNA_x       129454 non-null  int64  
 16  YOM_BE_HODESH        129454 non-null  int64  
 17  SHAA                 129454 non-null  float64
 18  SUG_YOM              129454 non-null  object 
 19  YOM_LAYLA            129454 non-null  object 
 20  YOM_BASHAVUA         129454 non-null  object 
 21  RAMZOR               129454 non-null  object 
 22  HUMRAT_TEUNA         129454 non-null  object 
 23  SUG_TEUNA            129454 non-null  object 
 24  ZURAT_DEREH          129454 non-null  object 
 25  HAD_MASLUL           129454 non-null  object 
 26  RAV_MASLUL           129454 non-null  object 
 27  MEHIRUT_MUTERET      129454 non-null  object 
 28  TKINUT               129454 non-null  object 
 29  ROHAV                129454 non-null  object 
 30  SIMUN_TIMRUR         129454 non-null  object 
 31  TEURA                129454 non-null  object 
 32  BAKARA               1366 non-null    object 
 33  MEZEG_AVIR           129454 non-null  object 
 34  PNE_KVISH            129454 non-null  object 
 35  SUG_EZEM             129454 non-null  object 
 36  MERHAK_EZEM          129454 non-null  object 
 37  LO_HAZA              129454 non-null  object 
 38  OFEN_HAZIYA          129454 non-null  object 
 39  MEKOM_HAZIYA         129454 non-null  object 
 40  KIVUN_HAZIYA         129454 non-null  object 
 41  MAHOZ                129454 non-null  float64
 42  NAFA                 129454 non-null  float64
 43  EZOR_TIVI            129454 non-null  float64
 44  MAAMAD_MINIZIPALI    93916 non-null   float64
 45  ZURAT_ISHUV          94163 non-null   float64
 46  STATUS_IGUN          129454 non-null  int64  
 47  X                    129161 non-null  float64
 48  Y                    129161 non-null  float64
 49  mispar_rehev_fikt    129454 non-null  int64  
 50  SHNAT_TEUNA_y        129454 non-null  int64  
 51  HODESH_TEUNA_y       129454 non-null  int64  
 52  NEFAH                129454 non-null  int64  
 53  SHNAT_YITZUR         129454 non-null  float64
 54  KIVUNE_NESIA         129454 non-null  float64
 55  MATZAV_REHEV         129454 non-null  object 
 56  SHIYUH_REHEV_LMS     129454 non-null  object 
 57  NEZEK                129454 non-null  object 
 58  SUG_REHEV_LMS        129454 non-null  object 
 59  MEKOMOT_YESHIVA_LMS  129454 non-null  float64
 60  MISHKAL_KOLEL_LMS    113424 non-null  float64
 61  SUG_TIK              129454 non-null  float64
 62  SHAA_CLEAN           129454 non-null  int64  
dtypes: float64(22), int64(10), object(31)
memory usage: 63.2+ MB

codebook.head(15)

num_rows = accdata.shape[0]
num_rows

129454

num_columns = accdata.shape[1]
num_columns

63

# חישוב עמודות מספריות
numeric_columns = [col for col in accdata.columns if pd.api.types.is_numeric_dtype(accdata[col])]

# חישוב עמודות קטגוריאליות (מעודכן כדי לשלול את האזהרה)
categorical_columns = [col for col in accdata.columns if isinstance(accdata[col].dtype, pd.CategoricalDtype) or accdata[col].dtype == 'object']

# נשלול את עמודות המזהים הייחודיים (כאשר כל הערכים בעמודה ייחודיים)
non_unique_numeric_columns = [col for col in numeric_columns if accdata[col].nunique() != len(accdata)]

non_unique_categorical_columns = [col for col in categorical_columns if accdata[col].nunique() != len(accdata)]

# הצגת התוצאות
print(f"Number of numeric columns (excluding unique identifiers): {len(non_unique_numeric_columns)}")
print(f"Number of categorical columns (excluding string identifiers): {len(non_unique_categorical_columns)}")

Number of numeric columns (excluding unique identifiers): 31
Number of categorical columns (excluding string identifiers): 31

accdata.columns

Index(['pk_teuna_fikt', 'sug_tik', 'THUM_GEOGRAFI', 'SUG_DEREH',
       'SEMEL_YISHUV', 'REHOV1', 'REHOV2', 'BAYIT', 'ZOMET_IRONI', 'KVISH1',
       'KVISH2', 'KM', 'ZOMET_LO_IRONI', 'YEHIDA', 'SHNAT_TEUNA_x',
       'HODESH_TEUNA_x', 'YOM_BE_HODESH', 'SHAA', 'SUG_YOM', 'YOM_LAYLA',
       'YOM_BASHAVUA', 'RAMZOR', 'HUMRAT_TEUNA', 'SUG_TEUNA', 'ZURAT_DEREH',
       'HAD_MASLUL', 'RAV_MASLUL', 'MEHIRUT_MUTERET', 'TKINUT', 'ROHAV',
       'SIMUN_TIMRUR', 'TEURA', 'BAKARA', 'MEZEG_AVIR', 'PNE_KVISH',
       'SUG_EZEM', 'MERHAK_EZEM', 'LO_HAZA', 'OFEN_HAZIYA', 'MEKOM_HAZIYA',
       'KIVUN_HAZIYA', 'MAHOZ', 'NAFA', 'EZOR_TIVI', 'MAAMAD_MINIZIPALI',
       'ZURAT_ISHUV', 'STATUS_IGUN', 'X', 'Y', 'mispar_rehev_fikt',
       'SHNAT_TEUNA_y', 'HODESH_TEUNA_y', 'NEFAH', 'SHNAT_YITZUR',
       'KIVUNE_NESIA', 'MATZAV_REHEV', 'SHIYUH_REHEV_LMS', 'NEZEK',
       'SUG_REHEV_LMS', 'MEKOMOT_YESHIVA_LMS', 'MISHKAL_KOLEL_LMS', 'SUG_TIK',
       'SHAA_CLEAN'],
      dtype='object')

pd.set_option('display.max_columns', None)  # מציג את כל העמודות בלי קיצור
accdata.head()

numeric_vars = ['SHAA_CLEAN', 'HODESH_TEUNA_x', 'SHNAT_YITZUR', 
                'YOM_BE_HODESH', 'MAHOZ']

# יצירת משתנים נוספים לניתוח
accdata['IS_WEEKEND'] = accdata['YOM_BASHAVUA'].isin(['ישיש', 'תבש']).astype(int)
accdata['IS_NIGHT'] = (accdata['YOM_LAYLA'] == 'לילה').astype(int)
accdata['IS_URBAN'] = accdata['SUG_DEREH'].isin(['עירוני לא-בצומת', 'עירוני בצומת']).astype(int)

# הוספת המשתנים החדשים
numeric_vars.extend(['IS_WEEKEND', 'IS_NIGHT', 'IS_URBAN'])

# חישוב מטריצת קורלציות
correlation_matrix = accdata[numeric_vars].corr()

plt.figure(figsize=(12, 10))
sns.heatmap(correlation_matrix, 
            annot=True, 
            cmap='RdBu_r', 
            center=0,
            square=True,
            fmt='.2f')
plt.title(reshape_hebrew('מטריצת קורלציות - משתני תאונות'))
plt.tight_layout()
plt.show()

# ניתוח קורלציה בין שעה, חודש ומספר תאונות

correlation_data = accdata[['SHAA_CLEAN', 'HODESH_TEUNA_x', 'SHNAT_TEUNA_x']].corr()

plt.figure(figsize=(8, 6))
sns.heatmap(correlation_data, annot=True, cmap='RdBu_r', center=0)
plt.title(reshape_hebrew('מטריצת קורלציות - משתני זמן'))
plt.show()

# עיצוב גרפים
sns.set(style="whitegrid", font="Arial")
plt.rcParams['axes.unicode_minus'] = False

# פונקציה לעיבוד טקסטים בעברית
def reshape_hebrew(text):
    return get_display(arabic_reshaper.reshape(str(text)))

# ווידוא קיום DataFrame
assert 'accdata' in locals(), "DataFrame בשם accdata לא מוגדר"

# סינון ערכים חסרים
accdata = accdata[accdata['SUG_TEUNA'].notna()].copy()

# יצירת מילון ערכים מעובדים רק על ערכים ייחודיים
unique_vals = accdata['SUG_TEUNA'].unique()
hebrew_map = {val: reshape_hebrew(val) for val in unique_vals}

# החלפת הערכים לפי המילון
accdata['SUG_TEUNA_HE'] = accdata['SUG_TEUNA'].map(hebrew_map)

# עיבוד טקסטים לצירים
title = reshape_hebrew("התפלגות סוגי תאונות")
xlabel = reshape_hebrew("סוג תאונה")
ylabel = reshape_hebrew("מספר תאונות")

# יצירת גרף
plt.figure(figsize=(10, 6))
sns.countplot(
    data=accdata,
    x='SUG_TEUNA_HE',
    hue='SUG_TEUNA_HE',  # מוודא שכל עמודה תקבל צבע משלה
    order=accdata['SUG_TEUNA_HE'].value_counts().index,
    palette='Set2',
    legend=False
)
plt.title(title)
plt.xlabel(xlabel)
plt.ylabel(ylabel)
plt.xticks(rotation=45, ha='right')
plt.tight_layout()
plt.show()

# עיצוב גרפים
sns.set(style="whitegrid", font="Arial")
plt.rcParams['axes.unicode_minus'] = False

# כותרות גרף
title = reshape_hebrew("התפלגות סוגי תאונות לפי שנים")
xlabel = reshape_hebrew("סוג תאונה")
ylabel = reshape_hebrew("מספר תאונות")
col_title = reshape_hebrew("שנה")

# בדיקה שעמודות קיימות
if 'SHNAT_TEUNA_x' in accdata.columns and 'SUG_TEUNA' in accdata.columns:
    # סינון שורות עם ערכים חסרים
    accdata = accdata[accdata['SUG_TEUNA'].notna()].copy()

    # עיבוד טקסטים בעברית רק פעם אחת (מיפוי)
    unique_vals = accdata['SUG_TEUNA'].unique()
    teuna_map = {val: reshape_hebrew(val) for val in unique_vals}
    accdata['SUG_TEUNA_HE'] = accdata['SUG_TEUNA'].map(teuna_map)

    # עיבוד שנה למחרוזת
    accdata['SHNAT_TEUNA_x'] = accdata['SHNAT_TEUNA_x'].astype(str)

    # גרף
    g = sns.catplot(
        data=accdata,
        x='SUG_TEUNA_HE',
        hue='SUG_TEUNA_HE',
        kind='count',
        col='SHNAT_TEUNA_x',
        col_wrap=3,
        height=5,
        aspect=1.5,
        order=accdata['SUG_TEUNA_HE'].value_counts().index,
        palette='Set2',
        legend=False
    )
    g.set_titles(col_template=col_title + " {col_name}")
    g.set_axis_labels(xlabel, ylabel)

    for ax in g.axes.flat:
        ax.tick_params(axis='x', rotation=80)

    plt.subplots_adjust(top=0.85)
    g.fig.suptitle(title, fontsize=16)
    plt.show()
else:
    print("אחת מהעמודות SHNAT_TEUNA_x או SUG_TEUNA לא קיימת.")

import numpy as np

# סינון נתונים חסרים ושלא דווח מה שנת החחצור של כלי הרכב
df = accdata[(accdata['SHNAT_YITZUR'] != 0) & accdata['SHNAT_YITZUR'].notna() & accdata['SUG_REHEV_LMS'].notna()]

# קיבוץ וספירת תאונות לפי שנת ייצור וסוג רכב
pivot_data = df.pivot_table(index='SHNAT_YITZUR',
                            columns='SUG_REHEV_LMS',
                            values='pk_teuna_fikt',
                            aggfunc='count',
                            fill_value=0)

# מיון השנים בסדר עולה
pivot_data = pivot_data.sort_index()

# בחירת 10 סוגי רכב עם נפח גבוה ביותר
top_vehicles = pivot_data.sum().sort_values(ascending=False).head(10).index
pivot_data_top = pivot_data[top_vehicles]

# סינון שנים ללא תאונות בכלל
pivot_data_top = pivot_data_top.loc[~(pivot_data_top == 0).all(axis=1)]

# סינון שנים מ-1996 ואילך
pivot_data_top = pivot_data_top.loc[pivot_data_top.index >= 1996]

# ציור גרף עמודות מקוננות (stacked bar plot)
ax = pivot_data_top.plot(kind='bar', stacked=True, figsize=(16,7), colormap='tab20')
ax.set_xticks(np.arange(len(pivot_data_top.index)))
ax.set_xticklabels([int(year) for year in pivot_data_top.index])

# תיקון טקסט בעברית במקרא (legend)
handles, labels = ax.get_legend_handles_labels()
new_labels = [reshape_hebrew(label) for label in labels]
ax.legend(handles, new_labels, title=reshape_hebrew('סוג רכב'), bbox_to_anchor=(1.05, 1), loc='upper left')

# כותרות בצירים וגריד
plt.title(reshape_hebrew('כמות תאונות לפי שנת ייצור וסוג רכב'), fontsize=16)
plt.xlabel(reshape_hebrew('שנת ייצור'), fontsize=14)
plt.ylabel(reshape_hebrew('מספר תאונות'), fontsize=14)
plt.xticks(rotation=45)

plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.tight_layout()
plt.show()

# נניח accdata כבר קיים וכולל את העמודה SHNAT_TEUNA_x
years = sorted(accdata['SHNAT_TEUNA_x'].dropna().unique())
num_years = len(years)
col_title = reshape_hebrew("שנת תאונה")

# הגבלת מספר גרפים (אפשר להתאים)
max_plots = 9
years_to_plot = years[:max_plots]

# קביעת גודל המטריצה של הגרפים (3 עמודות, כמה שורות)
cols = 3
rows = int(np.ceil(len(years_to_plot) / cols))

fig, axes = plt.subplots(rows, cols, figsize=(18, rows * 5), sharey=True)

# "שטוח" את מערך הצירים למקרה של שורה אחת בלבד
axes = axes.flatten() if num_years > 1 else [axes]

for i, year in enumerate(years_to_plot):
    ax = axes[i]
    # סינון לפי שנת תאונה
    df_year = accdata[(accdata['SHNAT_TEUNA_x'] == year) & 
                      (accdata['SHNAT_YITZUR'] != 0) & 
                      accdata['SHNAT_YITZUR'].notna() & 
                      accdata['SUG_REHEV_LMS'].notna()]

    # קיבוץ וספירה
    pivot_data = df_year.pivot_table(index='SHNAT_YITZUR',
                                     columns='SUG_REHEV_LMS',
                                     values='pk_teuna_fikt',
                                     aggfunc='count',
                                     fill_value=0)

    pivot_data = pivot_data.sort_index()
    top_vehicles = pivot_data.sum().sort_values(ascending=False).head(10).index
    pivot_data_top = pivot_data[top_vehicles]
    pivot_data_top = pivot_data_top.loc[~(pivot_data_top == 0).all(axis=1)]
    pivot_data_top = pivot_data_top.loc[pivot_data_top.index >= 1996]

    # ציור גרף מקונן
    pivot_data_top.plot(kind='bar', stacked=True, ax=ax, colormap='tab20')
    ax.set_xticks(np.arange(len(pivot_data_top.index)))
    ax.set_xticklabels([int(year) for year in pivot_data_top.index])


    # כותרות
    ax.set_title(f"{reshape_hebrew('שנת תאונה')}: {year}", fontsize=14)
    ax.set_xlabel(reshape_hebrew('שנת ייצור'))
    ax.set_ylabel(reshape_hebrew('מספר תאונות'))
    ax.grid(axis='y', linestyle='--', alpha=0.7)
    ax.legend([],[], frameon=False)  # במקרא כללי מתחת

# הסרת צירים ריקים במידה ויש פחות גרפים מ-max_plots
for j in range(len(years_to_plot), len(axes)):
    fig.delaxes(axes[j])

# מקרא אחד מרכזי מתחת לכל הגרפים
handles, labels = axes[0].get_legend_handles_labels()
new_labels = [reshape_hebrew(label) for label in labels]
fig.legend(handles, new_labels, title=reshape_hebrew('סוג רכב'), loc='lower center', ncol=5)

plt.tight_layout(rect=[0, 0.2, 1, 1])
plt.show()

# סינון נתונים עם קואורדינטות תקינות
df = accdata.copy()
df = df.dropna(subset=['X', 'Y', 'SUG_REHEV_LMS', 'SUG_TEUNA_HE', 'SHNAT_TEUNA_y'])
df = df[(df['X'] > 100000) & (df['X'] < 300000) & (df['Y'] > 500000) & (df['Y'] < 800000)]

# המרת קואורדינטות מ־EPSG:2039 ל־EPSG:4326
transformer = Transformer.from_crs("EPSG:2039", "EPSG:4326", always_xy=True)
df['lon'], df['lat'] = transformer.transform(df['X'].values, df['Y'].values)

# דגימה כדי למנוע עומס (אפשר להגדיל/להקטין לפי הצורך)
df_sample = df.sample(n=min(2000, len(df)), random_state=42)

# יצירת מפה בסיסית
m = folium.Map(location=[31.7683, 35.2137], zoom_start=8)

# מיפוי צבעים לפי סוג רכב
unique_vehicles = df_sample['SUG_REHEV_LMS'].unique()
colormap = matplotlib.colormaps.get_cmap('tab20')
color_dict = {veh: mcolors.to_hex(colormap(i % 20)) for i, veh in enumerate(unique_vehicles)}

# לולאה על השנים להצגת שכבות נפרדות
for year in sorted(df_sample['SHNAT_TEUNA_y'].unique()):
    # יצירת FeatureGroup לשנה
    fg = folium.FeatureGroup(name=f"שנה {int(year)}", show=True)
    
    # סינון הנתונים לאותה שנה
    df_year = df_sample[df_sample['SHNAT_TEUNA_y'] == year]
    
    # יצירת MarkerCluster בתוך ה-FeatureGroup
    marker_cluster = MarkerCluster().add_to(fg)
    
    # הוספת נקודות
    for _, row in df_year.iterrows():
        folium.CircleMarker(
            location=[row['lat'], row['lon']],
            radius=4,
            color=color_dict[row['SUG_REHEV_LMS']],
            fill=True,
            fill_color=color_dict[row['SUG_REHEV_LMS']],
            fill_opacity=0.7,
            popup=folium.Popup(
                f"""<div dir='rtl'>
                סוג רכב: {row['SUG_REHEV_LMS']}<br>
                שנה: {int(row['SHNAT_TEUNA_y'])}<br>
                סוג תאונה: {reshape_hebrew(row['SUG_TEUNA_HE'])}
                </div>""",
                max_width=300
            )
        ).add_to(marker_cluster)
    
    # הוספת HeatMap
    heat_data = df_year[['lat', 'lon']].values.tolist()
    HeatMap(heat_data, radius=8, blur=15).add_to(fg)
    
    # הוספת ה-FeatureGroup למפה
    fg.add_to(m)

# הוספת מקרא צבעים
legend_html = '''
<div style="position: fixed; bottom: 50px; left: 50px; z-index:9999; background-color:white; padding: 10px; border:2px solid grey;">
<b>מקרא: סוג רכב</b><br>
''' + ''.join([f'<div style="display:inline-block; width:10px; height:10px; background:{color_dict[veh]}; margin-right:5px;"></div> {veh}<br>' for veh in unique_vehicles]) + '</div>'

m.get_root().html.add_child(folium.Element(legend_html))

# הוספת בורר שכבות להפעלה וכיבוי של שנים
folium.LayerControl(collapsed=False).add_to(m)

# הצגת המפה
m

def fix_hebrew_plot_labels(ax):
  
    ticks = ax.get_yticks()
    ax.set_yticks(ticks)
    ax.set_yticklabels([f"{int(tick * 100)}%" for tick in ticks])
    
    # תיקון כותרת
    if ax.title.get_text():
        ax.set_title(reshape_hebrew(ax.title.get_text()))

    # תיקון תוויות צירים
    if ax.get_xlabel():
        ax.set_xlabel(reshape_hebrew(ax.get_xlabel()))
    if ax.get_ylabel():
        ax.set_ylabel(reshape_hebrew(ax.get_ylabel()))
    
    # תיקון טיקים בציר X
    xlabels = [reshape_hebrew(t.get_text()) for t in ax.get_xticklabels()]
    ax.set_xticklabels(xlabels, rotation=45)
    
    # תיקון טיקים בציר Y (אם רוצים)
    ylabels = [reshape_hebrew(t.get_text()) for t in ax.get_yticklabels()]
    ax.set_yticklabels(ylabels)
    
    # תיקון תוויות מקרא (legend)
    leg = ax.get_legend()
    if leg:
        for text in leg.get_texts():
            text.set_text(reshape_hebrew(text.get_text()))
        # אם יש כותרת למקרא, גם לה לעבד
        if leg.get_title():
            leg.set_title(reshape_hebrew(leg.get_title().get_text()))

# טבלת שכיחויות של סוגי תאונה לפי סוג כביש
cross_tab = pd.crosstab(accdata['SUG_DEREH'], accdata['SUG_TEUNA'])

#print(cross_tab)

# גרף עמודות מצטבר להצגת התפלגות
cross_tab_norm = cross_tab.div(cross_tab.sum(axis=1), axis=0)  # אחוזים לכל סוג כביש

ax = cross_tab_norm.plot(kind='bar', stacked=True, figsize=(14,7), colormap='tab20')

plt.title('התפלגות סוגי תאונות לפי סוג כביש')
plt.xlabel('סוג כביש')
plt.ylabel('אחוז התאונות')
plt.legend(title='סוג תאונה', bbox_to_anchor=(1.05, 1), loc='upper left')

fix_hebrew_plot_labels(ax)

plt.tight_layout()
plt.show()

# עיבוד רק על הערכים הייחודיים בעמודות, ולא על כל השורות
unique_yom = accdata['YOM_BASHAVUA'].dropna().unique()
reshaped_yom = {val: reshape_hebrew(val) for val in unique_yom}
accdata['YOM_BASHAVUA'] = accdata['YOM_BASHAVUA'].map(reshaped_yom).fillna(accdata['YOM_BASHAVUA'])

unique_yehida = accdata['YEHIDA'].dropna().unique()
reshaped_yehida = {val: reshape_hebrew(val) for val in unique_yehida}
accdata['YEHIDA'] = accdata['YEHIDA'].map(reshaped_yehida).fillna(accdata['YEHIDA'])


# המרת השנה למחרוזת (לשימוש ב־facet)
accdata['SHNAT_TEUNA_x'] = accdata['SHNAT_TEUNA_x'].astype(str)

# יצירת הדוח המורחב - ספירת תאונות לפי שנה, יום בשבוע ויחידה
report = accdata.groupby(['SHNAT_TEUNA_x', 'YOM_BASHAVUA', 'YEHIDA']).size().reset_index(name='מספר תאונות')

# ניצור FacetGrid עם heatmap נפרד לכל שנה
for year in report['SHNAT_TEUNA_x'].unique():
    subset = report[report['SHNAT_TEUNA_x'] == year]
    pivot_report = subset.pivot(index=reshape_hebrew('YOM_BASHAVUA'), columns='YEHIDA', values='מספר תאונות').fillna(0)
    
    plt.figure(figsize=(12, 6))
    sns.heatmap(pivot_report, annot=True, fmt=".0f", cmap="YlGnBu")
    plt.title(reshape_hebrew(f"מספר תאונות לפי יום בשבוע ויחידה - שנה {year}"))
    plt.xlabel(reshape_hebrew("יחידה"))
    plt.ylabel(reshape_hebrew("יום בשבוע"))
    plt.yticks(rotation=0)
    plt.tight_layout()
    plt.show()

plt.figure(figsize=(12, 6))
sns.countplot(data=accdata, x='YEHIDA', order=accdata['YEHIDA'].value_counts().index, palette='Spectral',hue=reshape_hebrew('YEHIDA'),legend=False )
plt.title(reshape_hebrew("מספר תאונות לפי מרחב"))
plt.xlabel(reshape_hebrew("מרחב"))
plt.ylabel(reshape_hebrew("מספר תאונות"))
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

plt.figure(figsize=(14, 8))

# מציאת 10 סוגי התאונות הכי נפוצים
top_10_teuna_types = accdata['SUG_TEUNA_HE'].value_counts().head(10).index

# סינון הנתונים רק לסוגי התאונות הנפוצים
filtered_data = accdata[accdata['SUG_TEUNA_HE'].isin(top_10_teuna_types)]

# יצירת crosstab
cross_tab = pd.crosstab(filtered_data['YEHIDA'], filtered_data['SUG_TEUNA_HE'])

# סידור היחידות לפי סך התאונות
yehida_order = filtered_data['YEHIDA'].value_counts().index
cross_tab_ordered = cross_tab.loc[yehida_order]

# סידור סוגי התאונות לפי תכיפות
teuna_order = filtered_data['SUG_TEUNA_HE'].value_counts().index
cross_tab_ordered = cross_tab_ordered[teuna_order]

# יצירת גרף מוערם
ax = cross_tab_ordered.plot(kind='bar', stacked=True, figsize=(14, 8), 
                           colormap='Set1', width=0.8)

plt.title(reshape_hebrew("התפלגות עשרת סוגי התאונות הנפוצים ביותר לפי יחידה"), fontsize=16)
plt.xlabel(reshape_hebrew("יחידה"), fontsize=12)
plt.ylabel(reshape_hebrew("מספר תאונות"), fontsize=12)
plt.xticks(rotation=45, ha='right')
plt.legend(title=reshape_hebrew("סוג תאונה"), bbox_to_anchor=(1.05, 1), loc='upper left')
plt.tight_layout()
plt.show()

<Figure size 1400x800 with 0 Axes>

pivot_report = accdata.groupby(['YOM_BASHAVUA', 'YEHIDA']).size().unstack(fill_value=0)
pivot_report

# עיבוד אינדקס (שורות)
pivot_report.index = pivot_report.index.map(reshape_hebrew)

# עיבוד עמודות (אם הן קטגוריות בעברית)
pivot_report.columns = pivot_report.columns.map(reshape_hebrew)

# הצגה
pivot_report

plt.figure(figsize=(10, 5))
sns.countplot(data=accdata, x=reshape_hebrew('SHNAT_TEUNA_x'), palette='Set2',legend=False,hue='SHNAT_TEUNA_x')
plt.title(reshape_hebrew("מספר תאונות לפי שנה"))
plt.xlabel(reshape_hebrew("שנה"))
plt.ylabel(reshape_hebrew("מספר תאונות"))
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

# עיצוב גרפים
sns.set(style="whitegrid", font="Arial")
plt.rcParams['axes.unicode_minus'] = False

# עיבוד טקסטים לצירים וכותרות
xlabel = reshape_hebrew("סוג תאונה")
ylabel = reshape_hebrew("מספר תאונות")
title = reshape_hebrew("התפלגות סוגי תאונות לפי יום/לילה")
legend_title = reshape_hebrew("יום/לילה")

# מיפוי טקסטים בעברית לעמודות
accdata = accdata[accdata['SUG_TEUNA'].notna() & accdata['YOM_LAYLA'].notna()].copy()

# מיפוי עברית יעיל לעמודת SUG_TEUNA
sug_teuna_map = {val: reshape_hebrew(val) for val in accdata['SUG_TEUNA'].unique()}
accdata['SUG_TEUNA_HE'] = accdata['SUG_TEUNA'].map(sug_teuna_map)

# מיפוי עברית לעמודת YOM_LAYLA
yom_layla_map = {val: reshape_hebrew(val) for val in accdata['YOM_LAYLA'].unique()}
accdata['YOM_LAYLA_HE'] = accdata['YOM_LAYLA'].map(yom_layla_map)

# ציור הגרף
plt.figure(figsize=(12, 6))
sns.countplot(data=accdata, x='SUG_TEUNA_HE', hue='YOM_LAYLA_HE', palette='Set2', order=accdata['SUG_TEUNA_HE'].value_counts().index)
 
plt.xlabel(xlabel)
plt.ylabel(ylabel)
plt.title(title)
plt.legend(title=legend_title)
plt.xticks(rotation=80)
plt.tight_layout()
plt.show()

def detailed_day_night_comparison1(accdata):
    """
    השוואה מפורטת בין תאונות יום ולילה
    """
    # בדיקת התפלגות בסיסית
    day_night_counts = accdata['YOM_LAYLA'].value_counts()
    day_night_pct = accdata['YOM_LAYLA'].value_counts(normalize=True) * 100

    for condition in day_night_counts.index:
        condition_fixed = (condition)
        count = day_night_counts[condition]
        pct = day_night_pct[condition]

    # גרפים השוואתיים
    fig, axes = plt.subplots(2, 2, figsize=(15, 12))

    # גרף 1: התפלגות בסיסית
    day_night_pct_reshaped = day_night_pct.rename(index=reshape_hebrew)
    day_night_pct_reshaped.plot(kind='pie', ax=axes[0, 0], autopct='%1.1f%%',
                                colors=['gold', 'navy'] if len(day_night_pct) == 2 else None)
    axes[0, 0].set_title(reshape_hebrew('התפלגות כללית: יום מול לילה'))
    axes[0, 0].set_ylabel('')

    # גרף 2: התפלגות לפי שעות
    hourly_breakdown = accdata.groupby(['SHAA_CLEAN', 'YOM_LAYLA']).size().unstack(fill_value=0)
    hourly_breakdown.columns = [reshape_hebrew(col) for col in hourly_breakdown.columns]
    hourly_breakdown.plot(kind='bar', ax=axes[0, 1],
                          color=['gold', 'navy'] if hourly_breakdown.shape[1] == 2 else None)
    axes[0, 1].set_title(reshape_hebrew('התפלגות לפי שעות'))
    axes[0, 1].set_xlabel(reshape_hebrew('שעה'))
    axes[0, 1].tick_params(axis='x', rotation=45)

    # גרף 3: ימי השבוע
    weekly_breakdown = accdata.groupby(['YOM_BASHAVUA', 'YOM_LAYLA']).size().unstack(fill_value=0)
    weekly_breakdown.index = [(i) for i in weekly_breakdown.index]
    weekly_breakdown.columns = [reshape_hebrew(col) for col in weekly_breakdown.columns]
    weekly_breakdown.plot(kind='bar', ax=axes[1, 0],
                          color=['gold', 'navy'] if weekly_breakdown.shape[1] == 2 else None)
    axes[1, 0].set_title(reshape_hebrew('התפלגות לפי ימי השבוע'))
    axes[1, 0].tick_params(axis='x', rotation=45)


    # גרף 4: סוגי תאונות
    accident_types_breakdown = accdata.groupby(['SUG_TEUNA', 'YOM_LAYLA']).size().unstack(fill_value=0)
    top_accidents = accident_types_breakdown.sum(axis=1).nlargest(8).index
    sub_df = accident_types_breakdown.loc[top_accidents]
    sub_df.index = [reshape_hebrew(i) for i in sub_df.index]
    sub_df.columns = [reshape_hebrew(col) for col in sub_df.columns]
    sub_df.plot(kind='bar', ax=axes[1, 1],
                color=['gold', 'navy'] if sub_df.shape[1] == 2 else None)
    axes[1, 1].set_title(reshape_hebrew('סוגי תאונות מובילים'))
    axes[1, 1].tick_params(axis='x', rotation=45)


def balanced_day_night_analysis(accdata):
    """
    ניתוח מאוזן ומלא של יום ולילה
    """
    print("☀️🌙 ניתוח מאוזן: יום ולילה")
    print("=" * 40)
    
    # חלוקה לשני דטא-סטים
    day_data = accdata[accdata['YOM_LAYLA'] == 'יום'].copy()
    night_data = accdata[accdata['YOM_LAYLA'] == 'לילה'].copy()
    
    print(f"📊 נתונים בסיסיים:")
    print(f"תאונות יום: {len(day_data):,} (75.0%)")
    print(f"תאונות לילה: {len(night_data):,} (25.0%)")
    print(f"יחס יום/לילה: {len(day_data)/len(night_data):.1f}:1")
    
    return day_data, night_data

def analyze_day_specific_patterns(day_data):
    """
    ניתוח דפוסים ייחודיים לתאונות יום
    """
    print("\n☀️ דפוסים ייחודיים לתאונות יום")
    print("=" * 45)
    
    # 1. שעות העומס ביום
    day_hourly = day_data.groupby('SHAA_CLEAN').agg({
        'pk_teuna_fikt': 'count',
        'SUG_TEUNA': lambda x: x.mode().iloc[0] if len(x.mode()) > 0 else 'מעורב',
        'SUG_REHEV_LMS': lambda x: x.mode().iloc[0] if len(x.mode()) > 0 else 'מעורב'
    })
    day_hourly.columns = ['תאונות', 'סוג_תאונה_נפוץ', 'רכב_נפוץ']
    day_hourly = day_hourly.sort_values('תאונות', ascending=False)
    
    print("🕐 השעות המסוכנות ביותר ביום:")
    print(day_hourly.head(10))
    
    # זיהוי שעות עומס ושעות רגילות
    rush_hours = [7, 8, 16, 17, 18]
    rush_accidents = day_data[day_data['SHAA_CLEAN'].isin(rush_hours)]
    non_rush_accidents = day_data[~day_data['SHAA_CLEAN'].isin(rush_hours)]
    
    print(f"\n🚦 תאונות בשעות עומס: {len(rush_accidents):,} ({len(rush_accidents)/len(day_data)*100:.1f}%)")
    print(f"⏰ תאונות בשעות רגילות: {len(non_rush_accidents):,} ({len(non_rush_accidents)/len(day_data)*100:.1f}%)")
    
    # ניתוח סוגי תאונות בשעות עומס
    rush_accident_types = rush_accidents['SUG_TEUNA'].value_counts().head(8)
    print(f"\n🚗 סוגי תאונות נפוצים בשעות עומס:")
    for i, (accident_type, count) in enumerate(rush_accident_types.items(), 1):
        pct = (count / len(rush_accidents)) * 100
        print(f"{i:2}. {accident_type}: {count:,} ({pct:.1f}%)")
    
    # ניתוח רכבים מעורבים ביום
    day_vehicles = day_data['SUG_REHEV_LMS'].value_counts().head(10)
    print(f"\n🚙 רכבים מעורבים ביותר בתאונות יום:")
    for i, (vehicle, count) in enumerate(day_vehicles.items(), 1):
        pct = (count / len(day_data)) * 100
        print(f"{i:2}. {vehicle}: {count:,} ({pct:.1f}%)")
    
    return day_hourly, rush_accidents, non_rush_accidents

def analyze_night_specific_patterns(night_data):
    """
    ניתוח דפוסים ייחודיים לתאונות לילה
    """
    print("\n🌙 דפוסים ייחודיים לתאונות לילה")
    print("=" * 50)
    
    # שעות לילה מסוכנות
    night_hourly = night_data.groupby('SHAA_CLEAN').agg({
        'pk_teuna_fikt': 'count',
        'SUG_TEUNA': lambda x: x.mode().iloc[0] if len(x.mode()) > 0 else 'מעורב',
        'SUG_REHEV_LMS': lambda x: x.mode().iloc[0] if len(x.mode()) > 0 else 'מעורב'
    })
    night_hourly.columns = ['תאונות', 'סוג_תאונה_נפוץ', 'רכב_נפוץ']
    night_hourly = night_hourly.sort_values('תאונות', ascending=False)
    
    print("🕐 השעות המסוכנות ביותר בלילה:")
    print(night_hourly.head(10))
    
    # זיהוי שעות מתות (02:00-05:00)
    dead_hours = [2, 3, 4, 5]
    dead_hour_accidents = night_data[night_data['SHAA_CLEAN'].isin(dead_hours)]
    
    print(f"\n💀 תאונות ב'שעות המתות' (02:00-05:00): {len(dead_hour_accidents):,}")
    print(f"    זה {len(dead_hour_accidents)/len(night_data)*100:.1f}% מתאונות הלילה")
    
    # ניתוח סוגי תאונות בלילה
    night_accident_types = night_data['SUG_TEUNA'].value_counts().head(8)
    print(f"\n🌑 סוגי תאונות נפוצים בלילה:")
    for i, (accident_type, count) in enumerate(night_accident_types.items(), 1):
        pct = (count / len(night_data)) * 100
        print(f"{i:2}. {accident_type}: {count:,} ({pct:.1f}%)")
    
    # ניתוח רכבים מעורבים בלילה
    night_vehicles = night_data['SUG_REHEV_LMS'].value_counts().head(10)
    print(f"\n🏍️ רכבים מעורבים ביותר בתאונות לילה:")
    for i, (vehicle, count) in enumerate(night_vehicles.items(), 1):
        pct = (count / len(night_data)) * 100
        print(f"{i:2}. {vehicle}: {count:,} ({pct:.1f}%)")
    
    return night_hourly, dead_hour_accidents

def compare_day_vs_night_patterns(day_data, night_data):
    """
    השוואה ישירה בין דפוסי יום ולילה
    """
    print("\n⚖️ השוואה ישירה: יום מול לילה")
    print("=" * 45)
    
    # 1. השוואת סוגי תאונות
    day_accidents = day_data['SUG_TEUNA'].value_counts(normalize=True) * 100
    night_accidents = night_data['SUG_TEUNA'].value_counts(normalize=True) * 100
    
    accident_comparison = pd.DataFrame({
        'יום_אחוז': day_accidents,
        'לילה_אחוז': night_accidents
    }).fillna(0)
    
    accident_comparison['הפרש_לילה_מינוס_יום'] = accident_comparison['לילה_אחוז'] - accident_comparison['יום_אחוז']
    accident_comparison = accident_comparison.sort_values('הפרש_לילה_מינוס_יום', ascending=False)
    
    print("🔍 סוגי תאונות שנפוצים יותר בלילה מאשר ביום:")
    night_dominant = accident_comparison[accident_comparison['הפרש_לילה_מינוס_יום'] > 1].head(5)
    for accident_type, row in night_dominant.iterrows():
        print(f"  • {accident_type}:")
        print(f"    לילה: {row['לילה_אחוז']:.1f}% | יום: {row['יום_אחוז']:.1f}% | הפרש: +{row['הפרש_לילה_מינוס_יום']:.1f}%")
    
    print("\n🔍 סוגי תאונות שנפוצים יותר ביום מאשר בלילה:")
    day_dominant = accident_comparison[accident_comparison['הפרש_לילה_מינוס_יום'] < -1].tail(5)
    for accident_type, row in day_dominant.iterrows():
        print(f"  • {accident_type}:")
        print(f"    יום: {row['יום_אחוז']:.1f}% | לילה: {row['לילה_אחוז']:.1f}% | הפרש: {row['הפרש_לילה_מינוס_יום']:.1f}%")
    
    # 2. השוואת רכבים
    day_vehicles = day_data['SUG_REHEV_LMS'].value_counts(normalize=True) * 100
    night_vehicles = night_data['SUG_REHEV_LMS'].value_counts(normalize=True) * 100
    
    vehicle_comparison = pd.DataFrame({
        'יום_אחוז': day_vehicles,
        'לילה_אחוז': night_vehicles
    }).fillna(0)
    
    vehicle_comparison['הפרש_לילה_מינוס_יום'] = vehicle_comparison['לילה_אחוז'] - vehicle_comparison['יום_אחוז']
    vehicle_comparison = vehicle_comparison.sort_values('הפרש_לילה_מינוס_יום', ascending=False)
    
    print("\n🏍️ רכבים שמעורבים יותר בלילה:")
    night_vehicles_dominant = vehicle_comparison[vehicle_comparison['הפרש_לילה_מינוס_יום'] > 0.5].head(5)
    for vehicle, row in night_vehicles_dominant.iterrows():
        print(f"  • {vehicle}:")
        print(f"    לילה: {row['לילה_אחוז']:.1f}% | יום: {row['יום_אחוז']:.1f}% | הפרש: +{row['הפרש_לילה_מינוס_יום']:.1f}%")
    
    print("\n🚗 רכבים שמעורבים יותר ביום:")
    day_vehicles_dominant = vehicle_comparison[vehicle_comparison['הפרש_לילה_מינוס_יום'] < -0.5].tail(5)
    for vehicle, row in day_vehicles_dominant.iterrows():
        print(f"  • {vehicle}:")
        print(f"    יום: {row['יום_אחוז']:.1f}% | לילה: {row['לילה_אחוז']:.1f}% | הפרש: {row['הפרש_לילה_מינוס_יום']:.1f}%")
    
    # 3. השוואת יחידות משטרה
    day_units = day_data[reshape_hebrew('YEHIDA')].value_counts()
    night_units = night_data[reshape_hebrew('YEHIDA')].value_counts()
    
    units_comparison = pd.DataFrame({
        'יום': day_units,
        'לילה': night_units
    }).fillna(0)
    
    units_comparison['סך_הכל'] = units_comparison.sum(axis=1)
    units_comparison['אחוז_לילה'] = (units_comparison['לילה'] / units_comparison['סך_הכל'] * 100).round(1)
    units_comparison = units_comparison.sort_values('אחוז_לילה', ascending=False)
    
    print(f"\n👮 יחידות משטרה עם אחוז תאונות לילה גבוה:")
    for unit, row in units_comparison.head(5).iterrows():
        print(f"  • {reshape_hebrew(unit)}: {row['אחוז_לילה']:.1f}% לילה ({row['לילה']:.0f} מתוך {row['סך_הכל']:.0f})")
    
    print(f"\n👮 יחידות משטרה עם אחוז תאונות יום גבוה:")
    for unit, row in units_comparison.tail(5).iterrows():
        day_pct = 100 - row['אחוז_לילה']
        print(f"  • {reshape_hebrew(unit)}: {day_pct:.1f}% יום ({row['יום']:.0f} מתוך {row['סך_הכל']:.0f})")
    
    return accident_comparison, vehicle_comparison, units_comparison

def create_comprehensive_visualizations(day_data, night_data):
    """
    יצירת גרפים מקיפים להשוואת יום ולילה
    """
    print("\n📊 יוצר גרפים השוואתיים מקיפים...")
    
    fig, axes = plt.subplots(3, 2, figsize=(20, 18))
    
    # גרף 1: התפלגות שעות - יום
    day_hourly = day_data.groupby('SHAA_CLEAN').size()
    day_hourly.plot(kind='bar', ax=axes[0,0], color='gold', alpha=0.8)
    axes[0,0].set_title(reshape_hebrew('תאונות יום לפי שעה'), fontsize=14, fontweight='bold')
    axes[0,0].set_xlabel(reshape_hebrew('שעה'))
    axes[0,0].set_ylabel(reshape_hebrew('מספר תאונות'))
    axes[0,0].tick_params(axis='x', rotation=45)
    
    # גרף 2: התפלגות שעות - לילה
    night_hourly = night_data.groupby('SHAA_CLEAN').size()
    night_hourly.plot(kind='bar', ax=axes[0,1], color='navy', alpha=0.8)
    axes[0,1].set_title(reshape_hebrew('תאונות לילה לפי שעה'), fontsize=14, fontweight='bold')
    axes[0,1].set_xlabel(reshape_hebrew('שעה'))
    axes[0,1].set_ylabel(reshape_hebrew('מספר תאונות'))
    axes[0,1].tick_params(axis='x', rotation=45)
    
    # גרף 3: סוגי תאונות מובילים - יום
    day_accidents = day_data['SUG_TEUNA'].value_counts().head(8)
    day_accidents.index = day_accidents.index.map(reshape_hebrew)  # ← עיבוד עברית
    day_accidents.plot(kind='barh', ax=axes[1,0], color='orange', alpha=0.8)
    axes[1,0].set_title(reshape_hebrew('סוגי תאונות מובילים - יום'), fontsize=14, fontweight='bold')
    axes[1,0].set_xlabel(reshape_hebrew('מספר תאונות'))
    
    # גרף 4: סוגי תאונות מובילים - לילה
    night_accidents = night_data['SUG_TEUNA'].value_counts().head(8)
    night_accidents.index = night_accidents.index.map(reshape_hebrew)  # ← עיבוד עברית
    night_accidents.plot(kind='barh', ax=axes[1,1], color='purple', alpha=0.8)
    axes[1,1].set_title(reshape_hebrew('סוגי תאונות מובילים - לילה'), fontsize=14, fontweight='bold')
    axes[1,1].set_xlabel(reshape_hebrew('מספר תאונות')) 
    
    # גרף 5: רכבים מעורבים - יום
    day_vehicles = day_data['SUG_REHEV_LMS'].value_counts().head(8)
    day_vehicles.index = day_vehicles.index.map(reshape_hebrew)
    day_vehicles.plot(kind='pie', ax=axes[2,0], autopct='%1.1f%%')
    axes[2,0].set_title(reshape_hebrew('רכבים מעורבים - יום'), fontsize=14, fontweight='bold')
    axes[2,0].set_ylabel('')

    
    # גרף 6: רכבים מעורבים - לילה
    night_vehicles = night_data['SUG_REHEV_LMS'].value_counts().head(8)
    night_vehicles.index = night_vehicles.index.map(reshape_hebrew)
    night_vehicles.plot(kind='pie', ax=axes[2,1], autopct='%1.1f%%')
    axes[2,1].set_title(reshape_hebrew('רכבים מעורבים - לילה'), fontsize=14, fontweight='bold')
    axes[2,1].set_ylabel('')
    
    plt.tight_layout()
    plt.show()
    detailed_day_night_comparison1(accdata)

def day_specific_insights(day_data, night_data):
    """
    תובנות ספציפיות לתאונות יום
    """
    print("\n☀️ תובנות ספציפיות לתאונות יום")
    print("=" * 45)
    
    # תאונות עומס vs רגילות
    rush_hours = [7, 8, 16, 17, 18]
    rush_day = day_data[day_data['SHAA_CLEAN'].isin(rush_hours)]
    normal_day = day_data[~day_data['SHAA_CLEAN'].isin(rush_hours)]
    
    print(f"📈 ניתוח שעות עומס ביום:")
    print(f"  • שעות עומס (7-8, 16-18): {len(rush_day):,} תאונות")
    print(f"  • שעות רגילות: {len(normal_day):,} תאונות")
    print(f"  • יחס עומס/רגיל: {len(rush_day)/len(normal_day):.2f}")
    
    # השוואת צפיפות תאונות
    rush_hours_count = len(rush_hours)
    normal_hours_count = 24 - rush_hours_count - len([h for h in range(24) if h >= 22 or h <= 6])  # לא כולל לילה
    
    rush_density = len(rush_day) / rush_hours_count
    normal_density = len(normal_day) / normal_hours_count if normal_hours_count > 0 else 0
    
    print(f"  • צפיפות תאונות בשעת עומס: {rush_density:.0f} תאונות/שעה")
    print(f"  • צפיפות תאונות בשעה רגילה: {normal_density:.0f} תאונות/שעה")
    print(f"  • גורם כפל סיכון בעומס: x{rush_density/normal_density:.1f}")
    
    # מה מיוחד בתאונות יום מול לילה?
    print(f"\n🔍 מה מייחד תאונות יום:")
    
    # יחס התנגשויות אחור (טיפוסי לעומס)
    day_rear_end = (day_data['SUG_TEUNA'].str.contains('חזית באחור', na=False)).sum()
    night_rear_end = (night_data['SUG_TEUNA'].str.contains('חזית באחור', na=False)).sum()
    
    day_rear_pct = day_rear_end / len(day_data) * 100
    night_rear_pct = night_rear_end / len(night_data) * 100
    
    print(f"  • פגיעות אחור ביום: {day_rear_pct:.1f}% מהתאונות")
    print(f"  • פגיעות אחור בלילה: {night_rear_pct:.1f}% מהתאונות")
    print(f"  • יום הוא x{day_rear_pct/night_rear_pct:.1f} יותר מועד לפגיעות אחור")
    
    # רכבים מסחריים ביום
    commercial_vehicles = ['אוטובוס', 'משא', 'מונית', 'טרנזיט']
    day_commercial = day_data[day_data['SUG_REHEV_LMS'].str.contains('|'.join(commercial_vehicles), na=False)]
    night_commercial = night_data[night_data['SUG_REHEV_LMS'].str.contains('|'.join(commercial_vehicles), na=False)]
    
    day_commercial_pct = len(day_commercial) / len(day_data) * 100
    night_commercial_pct = len(night_commercial) / len(night_data) * 100
    
    print(f"  • רכבים מסחריים ביום: {day_commercial_pct:.1f}% מהתאונות")
    print(f"  • רכבים מסחריים בלילה: {night_commercial_pct:.1f}% מהתאונות")
    print(f"  • יום הוא x{day_commercial_pct/night_commercial_pct:.1f} יותר מועד לתאונות מסחריות")

def run_complete_balanced_analysis(accdata):
    """
    הרצת ניתוח מאוזן מלא של יום ולילה
    """
    print("🚀 מתחיל ניתוח מאוזן מלא: יום ולילה")
    print("=" * 55)
    
    # 1. חלוקה בסיסית
    day_data, night_data = balanced_day_night_analysis(accdata)
    
    # 2. ניתוח דפוסים ייחודיים ליום
    day_patterns = analyze_day_specific_patterns(day_data)
    
    # 3. ניתוח דפוסים ייחודיים ללילה
    night_patterns = analyze_night_specific_patterns(night_data)
    
    # 4. השוואה ישירה
    comparisons = compare_day_vs_night_patterns(day_data, night_data)
    
    # 5. תובנות ספציפיות ליום
    day_specific_insights(day_data, night_data)
    
    # 6. יצירת גרפים
    create_comprehensive_visualizations(day_data, night_data)

run_complete_balanced_analysis(accdata)

🚀 מתחיל ניתוח מאוזן מלא: יום ולילה
=======================================================
☀️🌙 ניתוח מאוזן: יום ולילה
========================================
📊 נתונים בסיסיים:
תאונות יום: 97,028 (75.0%)
תאונות לילה: 32,426 (25.0%)
יחס יום/לילה: 3.0:1

☀️ דפוסים ייחודיים לתאונות יום
=============================================
🕐 השעות המסוכנות ביותר ביום:
            תאונות      סוג_תאונה_נפוץ         רכב_נפוץ
SHAA_CLEAN                                             
15           10261  התנגשות חזית באחור  רכב נוסעים פרטי
16           10200  התנגשות חזית באחור  רכב נוסעים פרטי
14            9459  התנגשות חזית באחור  רכב נוסעים פרטי
13            8940  התנגשות חזית באחור  רכב נוסעים פרטי
12            8526  התנגשות חזית באחור  רכב נוסעים פרטי
8             8465  התנגשות חזית באחור  רכב נוסעים פרטי
7             7441  התנגשות חזית באחור  רכב נוסעים פרטי
11            7210  התנגשות חזית באחור  רכב נוסעים פרטי
10            6637  התנגשות חזית באחור  רכב נוסעים פרטי
17            6527  התנגשות חזית באחור  רכב נוסעים פרטי

🚦 תאונות בשעות עומס: 36,653 (37.8%)
⏰ תאונות בשעות רגילות: 60,375 (62.2%)

🚗 סוגי תאונות נפוצים בשעות עומס:
 1. התנגשות חזית באחור: 18,032 (49.2%)
 2. התנגשות צד בצד: 4,312 (11.8%)
 3. התנגשות חזית אל צד: 3,275 (8.9%)
 4. פגיעה בהולך רגל: 2,885 (7.9%)
 5. התנגשות עם עצם דומם: 1,934 (5.3%)
 6. החלקה: 1,300 (3.5%)
 7. פגיעה בנוסע בתוך כלי רכב: 1,242 (3.4%)
 8. אחר: 1,015 (2.8%)

🚙 רכבים מעורבים ביותר בתאונות יום:
 1. רכב נוסעים פרטי: 62,900 (64.8%)
 2. אחר ולא ידוע: 6,440 (6.6%)
 3. אוטובוס: 6,418 (6.6%)
 4. אופנוע 126 עד 400 סמ"ק: 2,669 (2.8%)
 5. אופנוע 51 עד 125 סמ"ק: 2,514 (2.6%)
 6. משא עד 3.5 טון - אחוד (טרנזיט): 2,186 (2.3%)
 7. משא 3.6 עד 9.9 טון: 1,754 (1.8%)
 8. משא עד 3.5  טון - לא אחוד (טנדר): 1,745 (1.8%)
 9. מונית: 1,728 (1.8%)
10. אופנוע 401+ סמ"ק: 1,578 (1.6%)

🌙 דפוסים ייחודיים לתאונות לילה
==================================================
🕐 השעות המסוכנות ביותר בלילה:
            תאונות      סוג_תאונה_נפוץ         רכב_נפוץ
SHAA_CLEAN                                             
20            4922  התנגשות חזית באחור  רכב נוסעים פרטי
19            4521  התנגשות חזית באחור  רכב נוסעים פרטי
21            3862  התנגשות חזית באחור  רכב נוסעים פרטי
18            3351  התנגשות חזית באחור  רכב נוסעים פרטי
22            3077  התנגשות חזית באחור  רכב נוסעים פרטי
17            2671  התנגשות חזית באחור  רכב נוסעים פרטי
23            2525  התנגשות חזית באחור  רכב נוסעים פרטי
6             1435  התנגשות חזית באחור  רכב נוסעים פרטי
0             1299  התנגשות חזית באחור  רכב נוסעים פרטי
5             1175  התנגשות חזית באחור  רכב נוסעים פרטי

💀 תאונות ב'שעות המתות' (02:00-05:00): 2,994
    זה 9.2% מתאונות הלילה

🌑 סוגי תאונות נפוצים בלילה:
 1. התנגשות חזית באחור: 12,352 (38.1%)
 2. התנגשות עם עצם דומם: 3,783 (11.7%)
 3. התנגשות צד בצד: 3,634 (11.2%)
 4. התנגשות חזית אל צד: 3,037 (9.4%)
 5. פגיעה בהולך רגל: 2,493 (7.7%)
 6. החלקה: 2,059 (6.3%)
 7. אחר: 1,006 (3.1%)
 8. פגיעה בנוסע בתוך כלי רכב: 994 (3.1%)

🏍️ רכבים מעורבים ביותר בתאונות לילה:
 1. רכב נוסעים פרטי: 21,562 (66.5%)
 2. אחר ולא ידוע: 2,287 (7.1%)
 3. אוטובוס: 1,566 (4.8%)
 4. אופנוע 51 עד 125 סמ"ק: 1,255 (3.9%)
 5. אופנוע 126 עד 400 סמ"ק: 939 (2.9%)
 6. משא עד 3.5 טון - אחוד (טרנזיט): 631 (1.9%)
 7. אופנוע 401+ סמ"ק: 600 (1.9%)
 8. מונית: 560 (1.7%)
 9. אופניים חשמליים: 532 (1.6%)
10. משא עד 3.5  טון - לא אחוד (טנדר): 459 (1.4%)

⚖️ השוואה ישירה: יום מול לילה
=============================================
🔍 סוגי תאונות שנפוצים יותר בלילה מאשר ביום:
  • התנגשות עם עצם דומם:
    לילה: 11.7% | יום: 5.5% | הפרש: +6.2%
  • החלקה:
    לילה: 6.3% | יום: 4.0% | הפרש: +2.3%
  • התנגשות עם בעל חיים:
    לילה: 1.5% | יום: 0.1% | הפרש: +1.4%

🔍 סוגי תאונות שנפוצים יותר ביום מאשר בלילה:
  • התנגשות צד בצד:
    יום: 12.2% | לילה: 11.2% | הפרש: -1.0%
  • התנגשות חזית באחור:
    יום: 46.0% | לילה: 38.1% | הפרש: -7.9%

🏍️ רכבים שמעורבים יותר בלילה:
  • רכב נוסעים פרטי:
    לילה: 66.5% | יום: 64.8% | הפרש: +1.7%
  • אופנוע 51 עד 125 סמ"ק:
    לילה: 3.9% | יום: 2.6% | הפרש: +1.3%

🚗 רכבים שמעורבים יותר ביום:
  • משא 16.0 עד 33.9 טון:
    יום: 1.2% | לילה: 0.5% | הפרש: -0.7%
  • משא 3.6 עד 9.9 טון:
    יום: 1.8% | לילה: 1.1% | הפרש: -0.7%
  • אוטובוס:
    יום: 6.6% | לילה: 4.8% | הפרש: -1.8%

👮 יחידות משטרה עם אחוז תאונות לילה גבוה:
  • מרחב יהודה: 28.5% לילה (600 מתוך 2107)
  • מרחב גליל: 27.7% לילה (8120 מתוך 29297)
  • מרחב שומרון: 27.0% לילה (306 מתוך 1135)
  • מחוז ירושלים: 25.1% לילה (2572 מתוך 10228)
  • מרחב השרון: 24.8% לילה (3711 מתוך 14940)

👮 יחידות משטרה עם אחוז תאונות יום גבוה:
  • מרחב אילת: 75.9% יום (544 מתוך 717)
  • מרחב הנגב: 76.1% יום (5803 מתוך 7629)
  • מרחב חוף (חיפה): 77.4% יום (4615 מתוך 5959)
  • מרחב לכיש: 78.3% יום (8587 מתוך 10967)
  • מרחב שמשון (החל ב-2004): 100.0% יום (2 מתוך 2)

☀️ תובנות ספציפיות לתאונות יום
=============================================
📈 ניתוח שעות עומס ביום:
  • שעות עומס (7-8, 16-18): 36,653 תאונות
  • שעות רגילות: 60,375 תאונות
  • יחס עומס/רגיל: 0.61
  • צפיפות תאונות בשעת עומס: 7331 תאונות/שעה
  • צפיפות תאונות בשעה רגילה: 6038 תאונות/שעה
  • גורם כפל סיכון בעומס: x1.2

🔍 מה מייחד תאונות יום:
  • פגיעות אחור ביום: 46.0% מהתאונות
  • פגיעות אחור בלילה: 38.1% מהתאונות
  • יום הוא x1.2 יותר מועד לפגיעות אחור
  • רכבים מסחריים ביום: 17.1% מהתאונות
  • רכבים מסחריים בלילה: 12.7% מהתאונות
  • יום הוא x1.4 יותר מועד לתאונות מסחריות

📊 יוצר גרפים השוואתיים מקיפים...

# התפלגות תאונות לפי שעות (אם העמודה 'SHAA' מספרית)
accdata['SHAA_CLEAN'] = pd.to_numeric(accdata['SHAA_CLEAN'], errors='coerce')
plt.figure(figsize=(12, 6))
sns.histplot(accdata['SHAA_CLEAN'].dropna(), bins=24, kde=False, color='steelblue')
plt.title(reshape_hebrew("מספר תאונות לפי שעה ביום"))
plt.xlabel(reshape_hebrew("שעה"))
plt.ylabel(reshape_hebrew("מספר תאונות"))
plt.xticks(range(0, 24))
plt.tight_layout()
plt.show()

accdata['SUG_TEUNA_HE'] = accdata['SUG_TEUNA'].map(hebrew_map)

pivot_hour_accident = accdata.pivot_table(
    index='SHAA_CLEAN', 
    columns='SUG_TEUNA_HE', 
    values='pk_teuna_fikt', 
    aggfunc='count', 
    fill_value=0
)

plt.figure(figsize=(16, 8))
sns.heatmap(pivot_hour_accident.T, cmap='YlOrRd', cbar_kws={'label':reshape_hebrew('מספר תאונות')})
plt.title(reshape_hebrew('התפלגות סוגי תאונות לפי שעות היום'))
plt.xlabel(reshape_hebrew('שעה'))
plt.ylabel(reshape_hebrew('סוג תאונה'))
plt.show()

# יצירת טבלת heatmap לפי חודש ויום בשבוע
heatmap_data = accdata.groupby(['HODESH_TEUNA_y', 'YOM_BASHAVUA']).size().unstack(fill_value=0)

# תיקון עברית באינדקסים
heatmap_data.index = [reshape_hebrew(idx) for idx in heatmap_data.index]
heatmap_data.columns = [reshape_hebrew(col) for col in heatmap_data.columns]

# ציור ה־heatmap
plt.figure(figsize=(14, 8))
ax = sns.heatmap(heatmap_data, cmap='Reds', annot=True, fmt='d', linewidths=0.5, linecolor='gray')

# עיבוד מחדש של תוויות הצירים אחרי הציור
ax.set_xticklabels([reshape_hebrew(label.get_text()) for label in ax.get_xticklabels()], rotation=45, ha='right')
ax.set_yticklabels([reshape_hebrew(label.get_text()) for label in ax.get_yticklabels()], rotation=0)

# כותרות
plt.title(reshape_hebrew("התפלגות תאונות לפי חודש ויום בשבוע"), fontsize=16)
plt.xlabel(reshape_hebrew("יום בשבוע"))
plt.ylabel(reshape_hebrew("חודש"))

# פריסה יפה
plt.tight_layout()
plt.show()

# מיפוי קיצורי ימי השבוע לשמות מלאים
day_map_custom = {
    'ינש': 'ראשון',
    'ןושאר': 'שני',
    'ישילש': 'שלישי',
    'יעיבר': 'רביעי',
    'ישימח': 'חמישי',
    'ישיש': 'שישי',
    'תבש': 'שבת'
}

day_order = ['ראשון', 'שני', 'שלישי', 'רביעי', 'חמישי', 'שישי', 'שבת']

# הנחה: העמודה 'SHNAT_TEUNA_x' מכילה את שנת התאונה
years = sorted(accdata['SHNAT_TEUNA_x'].dropna().unique())

for year in years:
    # סינון לפי שנה
    yearly_data = accdata[accdata['SHNAT_TEUNA_x'] == year]

    # יצירת טבלת heatmap לפי חודש ויום בשבוע (קיצורי ימים)
    heatmap_data = yearly_data.groupby(['HODESH_TEUNA_y', 'YOM_BASHAVUA']).size().unstack(fill_value=0)

    # ממפים את עמודות הימים לשמות מלאים
    heatmap_data.columns = [day_map_custom.get(day, day) for day in heatmap_data.columns]

    # מסדרים את העמודות לפי סדר ימי השבוע
    heatmap_data = heatmap_data.reindex(columns=day_order)

    # עיצוב עברית לעמודות ולשורות
    heatmap_data.columns = [reshape_hebrew(day) for day in heatmap_data.columns]
    heatmap_data.index = [reshape_hebrew(str(month)) for month in heatmap_data.index]

    # ציור הגרף
    plt.figure(figsize=(14, 8))
    ax = sns.heatmap(
        heatmap_data,
        cmap='Reds',
        annot=True,
        fmt='d',
        linewidths=0.5,
        linecolor='gray'
    )

    # תיקון תוויות הצירים אחרי הציור
    ax.set_xticklabels([label.get_text() for label in ax.get_xticklabels()], rotation=45, ha='right')
    ax.set_yticklabels([label.get_text() for label in ax.get_yticklabels()], rotation=0)

    # כותרות
    plt.title(reshape_hebrew(f"התפלגות תאונות לפי חודש ויום בשבוע לשנת {year}"), fontsize=16)
    plt.xlabel(reshape_hebrew("יום בשבוע"))
    plt.ylabel(reshape_hebrew("חודש"))

    plt.tight_layout()
    plt.show()

vehicle_hour_analysis = accdata.groupby(['SUG_REHEV_LMS', 'SHAA_CLEAN']).size().unstack(fill_value=0)

peak_hours_df = pd.DataFrame([
    {
        'סוג רכב': vehicle,
        'שעה מסוכנת': f"{vehicle_hour_analysis.loc[vehicle].idxmax()}:00",
        'מספר תאונות': vehicle_hour_analysis.loc[vehicle].max()
    }
    for vehicle in vehicle_hour_analysis.index
])

# מיון לפי מספר תאונות בסדר יורד
peak_hours_df = peak_hours_df.sort_values(by='מספר תאונות', ascending=False)

# יצירת אינדקס חדש עם מספרים רצופים החל מ-1
peak_hours_df.index = range(1, len(peak_hours_df) + 1)
peak_hours_df

	מ-	עד	שם שדה	שם משתנה	טיפוס	קוד	מאפיינים	מקור
0	1	10	מספר תאונה פיקטיבי	PK_TEUNA_FIKT	N10	NaN	NaN	NaN
1	11	18	סוג תיק	sug_tik	N8	3.0	כללי עם נפגעים קל	NaN
2	19	26	תחום גאוגרפי	THUM_GEOGRAFI	N8	1.0	ישראל ללא יהודה ושומרון	NaN
3	19	26	תחום גאוגרפי	THUM_GEOGRAFI	N8	2.0	יהודה והשומרון	NaN
4	27	34	סוג דרך	SUG_DEREH	N8	1.0	עירוני בצומת	NaN
5	27	34	סוג דרך	SUG_DEREH	N8	2.0	עירוני לא בצומת	NaN
6	27	34	סוג דרך	SUG_DEREH	N8	3.0	לא עירוני בצומת	NaN
7	27	34	סוג דרך	SUG_DEREH	N8	4.0	לא עירוני לא בצומת	NaN
8	35	42	סמל ישוב	SEMEL_YISHUV	N8	NaN	NaN	NaN
9	35	42	ראה קובץ "רשימת ישובים ואוכלסיתם" בנספח המתודו...	SEMEL_YISHUV	N8	NaN	NaN	NaN
10	43	50	רחוב 1	REHOV1	N8	NaN	NaN	מילון רחובות
11	51	58	רחוב 2	REHOV2	N8	NaN	NaN	מילון רחובות
12	59	66	מס' בית	MISPAR_BAIT	N8	NaN	NaN	NaN
13	67	74	צומת עירוני	ZOMET_IRONI	N8	NaN	NaN	מילון צמתים עירוניים
14	75	82	דרך לא עירונית 1	KVISH1	N8	NaN	NaN	NaN

YEHIDA	מרחב שמשון (החל ב-2004)	מרחב חוף (חיפה)	מרחב ת"א	מרחב הנגב	מרחב יהודה	מרחב השפלה	מרחב גליל	מחוז ירושלים	מרחב עמקים	מרחב שומרון	מרחב השרון	מרחב לכיש	מרחב אילת
YOM_BASHAVUA
שני	0	928	3827	1247	314	2534	4494	1776	1437	183	2387	1781	104
רביעי	0	980	3625	1183	334	2469	4361	1605	1395	192	2355	1780	113
שלישי	1	1007	3630	1205	336	2484	4419	1639	1393	207	2416	1819	108
חמישי	0	1004	3778	1372	379	2616	4644	1778	1478	176	2611	1922	126
שישי	0	695	2266	793	233	1568	3679	986	1110	120	1608	1147	94
ראשון	0	969	3828	1373	346	2732	4583	1763	1363	177	2590	1956	107
שבת	1	376	1225	456	165	821	3117	681	894	80	973	562	65

טווח שעות	תובנות עיקריות
07:00–17:00	שיא התאונות ביום. תואם לשעות פעילות רגילות.
17:00–23:00	עליה בתאונות בלילה – ירידה בערנות, צפיפות בשעות החזרה מהעבודה.
00:00–06:00	מעט תאונות בפני מיעוט כל הרכב על הכביש .

סוג תאונה	בולטות ביום	בולטות בלילה	תובנות
פגיעה בהולך רגל במעבר חציה	גבוהה מאוד	נמוכה יחסית	נפוצה ביום עקב פעילות עירונית רגלית
התנגשויות צד לצד / חזית-אחור	גבוהה	קיימת	קלאסית לעומסי תנועה
התנגשויות חזית-צד / עם עצם דומם	קיימת	בולטת בלילה	לרוב בלילה – פחות רכבים, חשכה

	סוג רכב	שעה מסוכנת	מספר תאונות
1	רכב נוסעים פרטי	16:00	7290
2	אחר ולא ידוע	16:00	761
3	אוטובוס	14:00	654
4	אופנוע 51 עד 125 סמ"ק	14:00	315
5	אופנוע 126 עד 400 סמ"ק	16:00	298
6	משא עד 3.5 טון - אחוד (טרנזיט)	16:00	249
7	משא עד 3.5 טון - לא אחוד (טנדר)	15:00	202
8	אופנוע 401+ סמ"ק	16:00	189
9	מונית	15:00	186
10	משא 3.6 עד 9.9 טון	14:00	178
11	אופניים חשמליים	15:00	144
12	משא 16.0 עד 33.9 טון	8:00	133
13	קורקינט חשמלי	17:00	111
14	אופניים	16:00	103
15	אוטובוס זעיר	8:00	95
16	אופנוע עד 50 סמ"ק	18:00	61
17	טרקטור	13:00	51
18	משא 10.0 עד 12.0 טון	10:00	45
19	משא 34.0+ טון	10:00	44
20	משא 12.1 עד 15.9 טון	10:00	34
21	קלנועית חשמלית	13:00	21
22	רכבת	13:00	18
23	רכב עבודה	8:00	14

	pk_teuna_fikt	sug_tik	THUM_GEOGRAFI	SUG_DEREH	SEMEL_YISHUV	REHOV1	REHOV2	BAYIT	ZOMET_IRONI	KVISH1	KVISH2	KM	ZOMET_LO_IRONI	YEHIDA	SHNAT_TEUNA_x	HODESH_TEUNA_x	YOM_BE_HODESH	SHAA	SUG_YOM	YOM_LAYLA	YOM_BASHAVUA	RAMZOR	HUMRAT_TEUNA	SUG_TEUNA	ZURAT_DEREH	HAD_MASLUL	MEHIRUT_MUTERET	TKINUT	ROHAV	SIMUN_TIMRUR	TEURA	BAKARA	MEZEG_AVIR	PNE_KVISH	SUG_EZEM	MERHAK_EZEM	LO_HAZA	KIVUN_HAZIYA	MAHOZ	NAFA	EZOR_TIVI	MAAMAD_MINIZIPALI	ZURAT_ISHUV	STATUS_IGUN	X	Y	mispar_rehev_fikt	SHNAT_TEUNA_y	HODESH_TEUNA_y	NEFAH	SHNAT_YITZUR	SHIYUH_REHEV_LMS	NEZEK	SUG_REHEV_LMS	MEKOMOT_YESHIVA_LMS	MISHKAL_KOLEL_LMS	SUG_TIK	SHAA_CLEAN
0	2020007043	כללי עם נפגעים קל	ישראל ללא יהודה ושומרון	עירוני לא בצומת	7400.0	NaN	NaN	9999.0	NaN	NaN	NaN	NaN	NaN	מרחב השרון	2021	1	29	44.0	יום אחר	יום	שישי	לא ידוע	קלה	התנגשות עם עצם דומם	אחר	לא ידוע מספר מסלולים	לא ידוע	לא ידוע	לא ידוע	לא ידוע	יום לא ידוע	NaN	לא ידוע	לא ידוע	לא ידוע	לא ידוע	לא ידוע	לא ידוע	4.0	41.0	411.0	0.0	13.0	2	187251.0	691402.0	1	2021	1	8	2015.0	ישראלי	אין נזק	רכב נוסעים פרטי	99.0	2.0	3.0	10
1	2020044999	כללי עם נפגעים קל	ישראל ללא יהודה ושומרון	עירוני לא בצומת	5000.0	1040.0	NaN	9999.0	NaN	NaN	NaN	NaN	NaN	מרחב ת"א	2021	1	18	85.0	יום אחר	לילה	שני	לא ידוע	קלה	התנגשות צד בצד	אחר	לא ידוע מספר מסלולים	לא ידוע	לא ידוע	לא ידוע	לא ידוע	לילה לא ידוע	NaN	לא ידוע	לא ידוע	לא ידוע	לא ידוע	לא ידוע	לא ידוע	5.0	51.0	511.0	0.0	13.0	3	179553.0	665859.0	1	2021	1	2	2019.0	ישראלי	אין נזק	אופנוע 126 עד 400 סמ"ק	1.0	NaN	3.0	21
2	2020058555	כללי עם נפגעים קל	ישראל ללא יהודה ושומרון	עירוני לא בצומת	5000.0	180.0	NaN	9999.0	NaN	NaN	NaN	NaN	NaN	מרחב ת"א	2021	1	7	69.0	יום אחר	לילה	חמישי	לא ידוע	קלה	התנגשות חזית באחור	אחר	לא ידוע מספר מסלולים	לא ידוע	לא ידוע	לא ידוע	לא ידוע	לילה לא ידוע	NaN	לא ידוע	לא ידוע	לא ידוע	לא ידוע	לא ידוע	לא ידוע	5.0	51.0	511.0	0.0	13.0	3	181474.0	667671.0	1	2021	1	6	2008.0	ישראלי	אין נזק	רכב נוסעים פרטי	3.0	NaN	3.0	17
3	2020062959	כללי עם נפגעים קל	ישראל ללא יהודה ושומרון	עירוני לא בצומת	9100.0	NaN	NaN	9999.0	NaN	NaN	NaN	NaN	NaN	מרחב גליל	2021	1	16	49.0	יום אחר	יום	שבת	לא ידוע	קלה	התנגשות עם עצם דומם	אחר	לא ידוע מספר מסלולים	לא ידוע	לא ידוע	לא ידוע	לא ידוע	יום לא ידוע	NaN	לא ידוע	לא ידוע	עמוד חשמל/תאורה/טלפון	לא ידוע	לא ידוע	לא ידוע	2.0	24.0	245.0	0.0	15.0	2	209450.0	768109.0	1	2021	1	6	2007.0	ישראלי	אין נזק	רכב נוסעים פרטי	99.0	NaN	3.0	12
4	2020081527	כללי עם נפגעים קל	ישראל ללא יהודה ושומרון	עירוני לא בצומת	1290.0	NaN	NaN	9999.0	NaN	NaN	NaN	NaN	NaN	מרחב השרון	2021	1	4	56.0	יום אחר	יום	שני	לא ידוע	קלה	התנגשות חזית אל צד	אחר	לא ידוע מספר מסלולים	לא ידוע	לא ידוע	לא ידוע	לא ידוע	יום לא ידוע	NaN	לא ידוע	לא ידוע	לא ידוע	לא ידוע	לא ידוע	לא ידוע	4.0	41.0	412.0	99.0	28.0	2	203505.0	696817.0	1	2021	1	9	2005.0	ישראלי	אין נזק	משא עד 3.5 טון - לא אחוד (טנדר)	3.0	2.0	3.0	13

יום בשבוע	תובנות
ראשון עד חמישי	נפח התאונות הגבוה ביותר – תואם לימי עבודה ולחץ תחבורתי
שישי	ירידה משמעותית בתאונות, גם ביום וגם בלילה
שבת	היום עם הכי מעט תאונות – כנראה עקב תנועה מופחתת

Project Name: ניתוח תאונות הדרכים בישראל עם נפגעים קל בשנים 2021-2023¶

Project team members:¶

Project number: 10¶

תיאור הפרויקט:¶

הגדרה של פצוע קל¶

Link to the data:¶

הקובץ התקבל באישור שימוש על ידי הלישכה המרכזית לסטטיטסטיקה, לאחר שהחומר הגיע הכנסתי אותו לגיטהאב בקישור הבא:¶

Read you file from Github:¶

Describe the data¶

Write three questions you would like to answer using this data¶

🚗-ניתוח תאונות לפי סוג תאונה וסוג דרך -1¶

🔎 ניתוח תאונות לפי יום בשבוע ויחידת משטרה-2¶

🔹 איזה יחידות משטרה מתמודדות עם עומס תאונות גבוה?¶

🔹 האם יש קשר בין יום בשבוע ליחידת משטרה?¶

-3- 📊 ניתוח תאונות לפי שנה, חודש, יום בשבוע וסוגי רכבים¶

🔹 איך מתפלגות התאונות לאורך השנים?¶

🔹 באילו חודשים יש ריכוז גבוה של תאונות?¶

🔹 פילוח תאונות הדרכים לפי שעות היום והלילה¶

🔹 אילו סוגי רכבים מעורבים ביותר בתאונות?¶

Observation 1:¶

קורלציות בין משתנים¶

📊 הקורלציות החזקות שמצאנו:¶

🌙 שעה ולילה (0.34)¶

🎯 סוף שבוע ולילה (0.07)¶

🏙️ מחוז ועירוני (0.11)¶

💡 מה זה אומר לנו:¶

✅ דברים טובים:¶

⚠️ מגבלות המדגם:¶

🎯 המסקנות המעשיות:¶

🔍 למה כדאי להתמקד:¶

סיכום:¶

📊 מה אנחנו רואים במטריצה:¶

💡 מה זה אומר במילים פשוטות:¶

✅ למה זה טוב:¶

התפלגות סוגי התאונות על פני שלושת השנים 2021-2023¶

🔹 מהו סוג התאונה הנפוץ ביותר?¶

✅ מסקנה:¶

📌 השלכות:¶

האם שנת הייצור של הרכב הוא הגורם לתאונה ? רכב ישן או חדש ?¶

🧠 מה אפשר להסיק מהגרף?¶

🔎 מסקנות כלליות:¶

🔹 האם יש קשר בין סוג הרכב לאזור גאוגרפי של התאונה?¶

✅ מסקנה:¶

שכיחויות של סוגי תאונה לפי סוג כביש¶

✅ מסקנה:¶

📌 השלכות:¶

Observation 2:¶

🔹 איזה ימים בשבוע מסוכנים יותר?¶

✅ מסקנה:¶

📌 השלכות:¶

🔹 איזה יחידות משטרה לפי מחוז מתמודדות עם עומס תאונות גבוה?¶

✅ מסקנה:¶

📌 השלכות:¶

Observation 3:¶

🔹 איך מתפלגות התאונות לאורך השנים והאם יש הבדל בין יום/לילה לבין כמות וסוג התאונות?¶

📊 ניתוח תאונות דרכים – השוואה בין יום ללילה¶

🔆 1. התפלגות כללית: יום מול לילה¶

🕒 2. התפלגות לפי שעות¶

📅 3. התפלגות לפי ימי השבוע¶

🚘 4. סוגי תאונות עיקריים – יום מול לילה¶

🧠 מסקנות כוללות¶

🚦 המלצות ולקחים¶

פילוח הנתונים לפי שעת התאונה¶

התפלגות שעות לפי סוג תאונה¶

🔍 ניתוח דפוסי שעות לפי סוג תאונה¶

🔹 מסקנה¶

✅ תובנות מהנתונים:¶

📌 השלכות:¶

🔹 באילו חודשים יש ריכוז גבוה של תאונות?¶

✅ תובנות מהנתונים:¶

📌 השלכות:¶

ניתוח שכיחות סוגי רכבים בתאונות לפי שעת התאונה:¶

Summary¶

ניתוח נתוני תאונות דרכים בישראל – סיכום¶

🚗 1. סוג התאונה מול סוג הדרך¶

📅 2. התפלגות תאונות לפי זמן¶

👮 3. כמות תאונות לפי יחידת משטרה ואזור גאוגרפי¶

🧠 תובנות עיקריות – הרחבה¶

🤝 חוויית העבודה בצוות – פירוט¶

🏁 לסיכום מפורט¶